xgboost slide（四）

这部分主要是对前面学的知识点进行总结~~~

1、我们如何来构造一个提升树分类器去做加权回归问题，这样每个实例都有一个有关重要性的权重？
2、回到时间序列的这个问题，如果我想学习这个随着时间变化的阶跃函数，这里有其他的方法去学习时间分隔么，除了从上到下的分裂方法？

1、我们如何来构造一个提升树分类器去做加权回归问题，这样每个实例都有一个有关重要性的权重？
（1）定义一个目标函数，对没有加权重的版本计算g和h，将它用于上一步树学习算法中。
（2）再次考虑模型和目标函数的分离，理论怎么能够帮助更好的去组织这些机器学习工具呢？

对于时间序列的问题：
我们已经知道了结构分数的计算：
（1）从上到下贪婪
（2）从下到上贪婪，从独立的点开始，一步步向上融合
（3）动态的，能够找到最优

总结
1、模型、目标函数、参数的分离能够帮助我们理解并且定制学习模型。
2、偏差-方差的平衡无所不在
3、清晰理论，指导实践